[论文解读] A Deep Learning Approach for Air Pollution Forecasting in South Korea Using Encoder-Decoder Networks & LSTM.

Tien-Cuong Bui, Van-Duc Le+1 more|arXiv (Cornell University)|Apr 21, 2018

Air Quality Monitoring and Forecasting被引用 8

一句话总结

本研究提出一种编码器-解码器长短期记忆（LSTM）网络，利用大邱、首尔、北京和沈阳的历史空气质量与气象数据，预测韩国的空气污染。该模型在长期时间步长的预测中表现出更高的准确性，为复杂确定性模型提供了一种可扩展的深度学习替代方案。

ABSTRACT

Tackling air pollution is an imperative problem in South Korea, especially in urban areas, over the last few years. More specially, South Korea has joined the ranks of the world's most polluted countries alongside with other Asian capitals, such as Beijing or Delhi. Much research is being conducted in environmental science to evaluate the dangerous impact of particulate matters on public health. Besides that, deterministic models of air pollutant behavior are also generated; however, this is both complex and often inaccurate. On the contrary, deep recurrent neural network reveals potent potential on forecasting out-comes of time-series data and has become more prevalent. This paper uses Recurrent Neural Network (RNN) with Long Short-Term Memory units as a framework for leveraging knowledge from time-series data of air pollution and meteorological information in Daegu, Seoul, Beijing, and Shenyang. Additionally, we use encoder-decoder model, which is similar to machine comprehension problems, as a crucial part of our prediction machine. Finally, we investigate the prediction accuracy of various configurations. Our experiments prevent the efficiency of integrating multiple layers of RNN on prediction model when forecasting far timesteps ahead. This research is a significant motivation for not only continuing researching on urban air quality but also help the government leverage that insight to enact beneficial policies

研究动机与目标

• 应对韩国大城市（如首尔和大邱）日益严峻的城市空气污染挑战。
• 克服传统确定性模型的局限性，这些模型结构复杂且在空气质量预测中常不准确。
• 利用深度学习提升细颗粒物及相关污染物的时间序列预测能力。
• 探究堆叠RNN与编码器-解码器架构在长期时间步长空气污染预测中的有效性。
• 通过提升预测可靠性，为政策制定者提供可操作的见解，以支持城市空气质量管理。

提出的方法

• 采用具有长短期记忆（LSTM）单元的循环神经网络（RNN）来建模空气质量与气象时间序列数据中的时间依赖性。
• 采用受机器翻译中序列到序列模型启发的编码器-解码器架构，用于预测未来的污染水平。
• 使用来自四个城市——大邱、首尔、北京和沈阳——的历史数据作为输入，使模型在多样化的气候与污染条件下进行训练。
• 通过多个堆叠的LSTM层训练模型，以捕捉污染趋势中的长程时间依赖性。
• 使用序列预测损失函数优化模型，以最小化多步预测中的误差。
• 通过不同配置评估模型性能，以确定长期预测中最佳的深度与架构。

实验结果

研究问题

• RQ1 编码器-解码器LSTM模型能否有效预测具有复杂气象与排放模式的城市地区的空气污染水平？
• RQ2 堆叠多个LSTM层如何影响长期空气质量预测的准确性？
• RQ3 所提出的深度学习模型是否在预测细颗粒物浓度方面优于传统确定性模型？
• RQ4 模型性能在具有不同污染源与天气条件的城市之间如何变化？
• RQ5 堆叠RNN的最优配置是什么，以实现对多个时间步长的空气污染预测？

主要发现

• 与简单模型相比，编码器-解码器LSTM模型在长期空气污染预测中实现了更高的预测准确性。
• 堆叠多个LSTM层显著增强了模型捕捉污染数据中长程时间依赖性能力。
• 整合气象与污染数据显著提高了所有测试城市预测的可靠性。
• 该模型在包括大邱、首尔、北京和沈阳在内的多样化城市环境中表现出强健性。
• 本研究证实，深度学习方法可作为复杂确定性空气质量模型的可行且可扩展的替代方案。
• 结果表明，此类模型可通过提供准确的长期预测，支持基于证据的政策决策，助力城市空气质量管理。